Clinical performance of SARS-CoV-2 detection on the cobas Liat using water gargle samples
Notice bibliographique
Résumé
Spring water gargle (SWG) is a suitable, non-invasive, alternative specimen for SARS-CoV-2 detection by RT-PCR. This study sought to evaluate the performance of the cobas Liat point-of-care system for the detection of SARS-CoV-2 in SWG samples. SWG samples and standard oral and nasopharyngeal swab (ONPS) were collected simultaneously from participants in a COVID-19 screening clinic, in November and December 2020. Both sample types were analyzed in parallel on the cobas Liat platform and with the Seegene Allplex 2019-nCoV assay. Among the 110 participants, 53% had compatible symptoms and 71% had a contact with a confirmed COVID-19 case. Only two (1.8%) individuals had neither symptoms nor contact. Amongst 110 paired samples, 25 (23%) were positive for SARS-CoV-2 on the cobas Liat for a least one sample type, with a kappa coefficient of 0.92. Agreement between the cobas Liat platform and the Seegene assay was also excellent (kappa coefficient values of 0.94 and 0.95). Two SWG samples failed to provide a positive result when their ONPS pair was positive, but their cycle threshold (Ct) values were >35 on the Seegene assay, reflecting a low viral load. Overall, the performance of the cobas Liat platform is excellent for the detection of SARS-CoV-2 in SWG samples in a high pre-test probability population.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».